蛋白质是生物体中最重要的大分子之一，几乎所有的生命活动都有蛋白质分子的参与。蛋白质分子的功能往往与其空间结构紧密相关，因此人们对于蛋白质结构投入越来越多的注意（如国际上有专门的结构基因组计划）。蛋白质结构的试验测定费时费力，并且成功率非常有限，而未知结构的蛋白质分子数量非常庞大。为了解决这个矛盾，同时更是为了深入认识生物大分子空间结构的形成规律，研究者一直试图发展分子模拟方法发展用于蛋白质结构预测。在过去十年来，国际上开展了六次结构预测CASP实验来评估当前结构预测能力。总的来说，虽然过去十年这一领域取得了很大进展，但离完全解决蛋白质结构预测问题的目标仍有相当大距离。 在蛋白质结构预测中，从头预测是一类重要方法。尽管目前最成功的从头预测方法仍然离实际结构预测较远，但从某种意义上讲，从头预测实际上是对我们关于蛋白质结构规律认识的最终检验手段。从头预测一般依赖三个因素：表示蛋白质三维结构的合适模型，和模型在同一分辨率水平（粒度）的准确的势函数，以及能够有效搜索构象空间的采样算法。 在本论文的第一部分中，我们将遗传算法、局部优化算法并与niche技术相结合，发展了一种有效的蛋白质构象采样方法。在模型中，我们仅仅使用主链重原子和Cβ原子来表示蛋白分子，其中主链二面角只选用六种状态。模拟中，我们选用了两类不同的能量函数，一种是简单的Go势能函数，在这个函数中，天然构象为全局唯一最小能量构象（-1.0）；另一个是基于知识的原子对相互作用势函数DFIRE。前者用于检验构象搜索算法的有效性，后者用于探索目前势能函数用于从头预测的能力。我们总共模拟了36个具有不同二级结构、长度在35到146个残基之间的蛋白分子。模拟结果表明我们的采样算法同buildup算法及标准遗传算法相比能够找到更低能量的构象。使用Go势函数时，我们能够得到全局极小点附近的近天然结构，最低RMSD在3.0（?）以下。使用DFIRE势函数时，几乎对所有蛋白分子都能够找到更低势能构象（只有一个例外），这些低能量的构象虽然比天然结构能量还低，但结构和天然结构相差很大，这说明了这个势函数在结构从头预测上的能力仍旧是有限的。